一、引言

当前数字经济时代,数据已经成为关键生产要素,并且成为各家企业的重要资产,同时也是企业实现数字化的基础和前提。在企业实现数字化的过程中,不仅要打通“数据孤岛”,还需要翻越数据标准和数据质量这两座“大山”,而数据治理就是连接大山的桥梁。2020年9月,国务院国资委发布《关于加快推进国有企业数字化转型工作的通知》,已经明确提出要构建数据治理体系的要求。

二、数据治理的常见问题

通常来说,暂未开展数据治理的公司常遇到的问题,主要区分为业务部门(泛指前中后台)的问题以及IT部门的问题。

业务部门主要遇到三大问题:前中后台对业务与财务数据不一致问题、如何解决监管报送数据质量问题、以及如何降低手工补录和手工出报表工作量的问题。

而IT部门遇到的问题主要为:如何推进已有系统进行数据标准化以及数据治理、如何对数据质量进行持续监控避免持续新增数据质量问题、以及上游业务系统的变化最小化的影响下游管理系统。

从融资租赁公司业财一体化的角度来说,业财数据不一致是最关键的需进行数据治理的问题。业财一体化一般分为三个阶段:业财基础数据一体化、业财核算一体化、业财经营决策一体化。大部分公司直接进入业财核算一体化阶段开展自动制证,而忽视了业财基础数据一体化的阶段,该阶段需建立业财各项基础数据项数据标准,将名称进行统一、定义、规则、口径统一等,以及包含财务类科目数据、账户数据、客商数据统一等。由于忽视基础标准建设,从而造成业财数据不准确的数据问题。

三、数据治理理论及体系框架

1、国内外数据治理相关理论及标准

目前,关于数据治理的理论已基本成熟。国际理论方面,主要有国际数据管理协会(DAMA)于2009年发布的DAMA-DMBOK数据管理知识体系第一版,2017年更新为了第二版。其包括十一个知识领域,包含数据治理、元数据管理、数据质量、数据架构、数据建模与设计、数据安全等。DAMA对于数据治理也有着明确的定义:数据治理是对数据资产管理行使权力和控制的活动集合。

国内标准方面,信标委于2018年发布DCMM数据管理能力成熟度模型,该标准把组织内部数据能力划分为八个重要组成部分,描述了每个组成部分的定义、功能、目标和标准。该标准适用于信息系统的建设单位,应用单位等进行数据管理时候的规划,设计和评估。也可以作为针对信息系统建设状况的指导、监督和检查的依据。DCMM也对数据治理进行了定义:数据治理是组织中涉及数据使用的一整套管理行为,由企业数据治理部门发起并推行,关于如何制定和实施针对整个企业内部数据的商业应用和技术管理的一系列政策和流程。

该标准还将组织数据能力成熟度评价层级划分为五个等级:初始级、受管理级、稳健级、量化管理级和优化级,如图3。
2、数据治理体系框架

数据治理体系框架分为四层:战略层、机制层、领域层、技术支撑层。其中战略层包括目标愿景、指导原则等;机制层包括组织架构、制度及流程等;领域层为数据治理子领域,包含数据需求、数据标准、数据质量、元数据管理、数据生命周期等子领域,其中元数据、数据标准、数据质量为核心领域中的重点;技术支持层主要在数据源系统及数据仓库等系统的基础上,建立数据管控平台。

四、融资租赁公司数据治理方法

1、专项数据治理

比如通过外部监管要求,如EAST报送、金融局非现场监管系统接入,或人行二代征信接入等,根据其数据标准要求,开展专项数据质量治理工作。

2、财务数据治理

从财务数据治理角度切入,制定数据治理管理组织,以指标盘点为起点,此财务数据治理为广义上的财务数据治理,包含财务类及经营类指标范围,同时对指标对应的基础数据项进行梳理分析,形成数据资产目录,并以此制定统一的财务及经营管理数据标准,以此展开数据质量治理工作。

3、全面数据治理

从所有基础数据项及数据问题盘点为起点(包含各源系统数据字典),经过全面调研,制定数据治理管理体系组织架构及职责,制定基础数据项及指标数据标准,以此展开数据质量治理工作。

五、融资租赁公司财务数据治理核心思路

采取“盘、规、治、融、用”的核心思路,通过集中整合、治理,打通业财数据壁垒,提升数据质量,支撑经营管理决策。

1、盘:即数据资产盘点。厘清“有哪些指标、什么含义、背后有哪些基础数据项,数据有什么问题?”通过财务类及经营类、兼顾监管报送报表识别数据指标项需求、梳理指标项数据分类,分解基础数据项,形成数据资产目录,为指标项及基础数据项数据标准化,奠定基础。

2、规:即规范数据标准。主要分为两个步骤,一是定标,即制定数据标准,数据标准是对数据进行统一的、规范的定义,确保数据在复杂数据环境中保持一致性、规范性。但不做大而全的数据标准,特别关注当前数据口径不一致的数据,数据标准需包括业务定义、技术规格、管理标准;二是落标,即落地数据标准,根据数据标准,落标于各个应用系统中,主要为业务系统,需相应进行系统改造。落标的同时,也需进行数据标准管理制度及流程建设。

3、治:即数据质量治理。开展数据质量治理,建立发现问题-分析问题-解决问题-持续优化的闭环机制,在数据管控平台、源系统分别执行数据质量治理方案。建立公司数据责任清单,数据质量管理制度及流程建设。

4、融:即业财数据融合。通过业务财务相关数据口径的统一检查基础数据项的准确性、及时性、完整性;在业财基础数据一致性的基础之上,梳理各类财务凭证场景,技术上实现业财系统间的自动制证,实现自动化的同时进一步验证数据质量。

5、用:即数据共享与分析应用。基于“盘、规、治、融”的完成,基本形成数据资产,可构建指标体系、标签体系,并形成共享清单。面向执行层、管理层和决策层用户构建数据统计、分析、挖掘及智能模型等多种数据应用,支撑业务操作、运营和决策。

六、融资租赁公司财务数据治理实施路径及工作框架

根据财务类、内部经营、及监管统计的各项指标为领域范围,进行数据资产盘点和建立标准及质量规则,并最终通过落地系统(业务系统或报表平台)进行结果展示,同时通过管控平台进行数据质量的常态化监控。

1、实施路径分为8个步骤:

1) 建组织:包含决策层、管控层、执行层;

2) 范围和模板讨论确定:根据方法论,确定范围和工作开展方式、数据资产目录与数据标准等模板、时间计划;

3) 数据资产盘点;

4) 数据标准制定;

5) 数据质量检核规则制定及形成问题清单;

6) 流程及系统改造及历史数据治理:依据流程治理结果及标准进行改造,并进行历史数据质量治理;

7) 管控制度与平台建设:通过制度流程与平台进行落地管控;

8) 数据治理宣贯及管控效果汇报:包含数据标准发布、制度流程宣贯、管控效果汇报。

2、工作框架

基于业务发展战略的要求和指导,以数据应用与服务为目标,企业数据管理中的数据标准、数据治理、元数据为重点举措,并以数据战略、组织、制度、流程、技术支撑为保障。通过数据治理保障支撑数据应用与服务,以做好企业数据管理来实现数据应用与服务,同时还通过数据应用与服务的建立来促进企业数据管理的完善。

七、融资租赁公司财务数据治理如何落地

财务数据治理落地方式分为管理落地与技术落地,管理落地包括建组织、数据资产盘点后制定数据标准、数据质量治理、建立数据认责机制。技术落地包括流程与系统改造以及历史数据治理、建立制度流程管控同时搭建数据管控平台,最后定期进行数据治理成效评估。

1、建组织

决策层:数据治理委员会(建议公司总经理牵头,与各分管领导高管共同组成),其职责为负责结合公司战略,为数据治理引领方向;审批数据治理年度工作目标、数据管理制度及流程、方案和主要计划;决策数据治理重大事项;协调各相关部门参与数据治理工作。

管控层:数据治理办公室(由数据治理负责人牵头,各相关部门核心骨干组成),其职责为负责牵头制定数据标准、数据管理相关制度办法及流程;制定数据治理工作年度目标及计划,并有效分解、落实到各数据治理小组进行承接;牵头组织数据治理方案设计及实施,对数据治理各小组提交的设计内容进行审议,向决策层汇报数据治理工作。

执行层:财务数据治理工作团队(跨部门包括财务部、科技部、业务部等部门),其职责为具体参与数据治理工作设计和具体执行;解决日常具体的数据问题;在全公司范围内定义和解释各项数据。

2、数据资产盘点

盘点的核心步骤为先盘点指标数据项,经分析并对指标数据项进行有效分类后有效分解基础数据项。其数据资产盘点具体步骤为:

1) 找指标

收集财务类报表、内部经营管理报表及监管报送统计报表样表

先以财务类指标入手,然后扩展至内部经营管理及监管统计指标,进行指标采集。

2) 分析指标

分析报表和指标,包括指标项、指标汇总口径和统计维度。针对

于报表中存在指标名称不同的,统一名称,并建立各相关报表的关系。

3) 分类指标

根据财务分析、经营等维度进行指标分类,初步分类后具体类型与相关部门进行确认。

4) 填写数据资产指标目录模板

将已梳理并分类完成的指标,填写入数据资产目录模板中,有相同的需在模板中去重,若监管指标有填报指引的,可将指标业务含义及计算公式填写入模板中。

5) 分解基础数据项

基于指标项的计算逻辑,分解基础数据项,在分解过程中,可向财务及相关部门进行调研了解哪些基础数据项在系统中存在数据质量问题,并进行记录进数据问题清单,同样需进行初步分类。

6) 填写数据资产基础数据项目录模板

将已分解并初步分类完成的基础数据项,填写入数据资产基础数

据项标准模板中,有相同的需在模板中去重。

3、数据标准制定目标及步骤

制定数据标准的目标为企业的分析类数据和基础类数据提供统

一的定义。通过数据标准化,加强数据规范性,提升数据支撑业务的能力;增进业务部门之间及业务与技术间有效沟通、促进数据共享,从而提高数据资产质量与价值。其具体步骤为:

1)自上而下与自下而上收集标准。自上而下:从指标出发,通

过分析指标业务口径和技术口径,梳理加工指标及分解项;自下而上:从系统出发,通过已有报表等功能及数据字典梳理系统里已有基础数据项。

2)制定数据标准初稿。包含指标类数据标准及基础数据项数据

标准,数据标准需包含业务属性内容(即业务角度)、技术属性内容(即技术角度)、管理属性内容(即管理角度),详见图7、图8。并参考相关标准,包括外部监管标准、行业规范及成果、参考内部业务制度、参考源系统数据字典等。

3)差异分析、标准修正与落地方案制定。包含源系统映射与差

异分析、业务部门调研与讨论、IT部门系统调研与讨论、逐步修正与完善数据标准、提出数据质量提升建议、制定数据标准落地系统改造方案。

4)系统落地实施跟踪检查。包括对落地的应用系统落地情况进

行检查,包括数据库模型、文档、界面等;以及对与落地应用系统相连的周边系统的改造情况进行跟踪检查。数据标准管理要求与现有信息化建设流程有机结合,促进数据标准管理要求有效落地,具体在信息化建设过程中的四个阶段需要有对应的管控措施。

Ø 需求阶段:检查需求定义是否遵循数据标准规范、审核需求定义是否遵循数据标准规范;

Ø 设计阶段:在功能设计和数据库设计时执行数据标准规范、在审核功能设计和数据库设计是否遵循数据标准规范;

Ø 测试阶段:将对数据标准的遵循程度纳入测试计划中、设计合适的测试用例,衡量对数据标准的遵循程度;

Ø 上线阶段:上线评审是确认对数据标准的遵循程度。

4、数据质量治理

数据质量治理的分析及改进思路主要包括数据质量问题收集与

分析、数据质量原因总结、提出数据质量改进措施三个步骤。

1)数据质量问题收集与分析

数据质量问题一般通过数据的及时性、准确性、完整性、唯一性、一致性、规范性进行质量检核规则的建立。根据数据质量检核规则的建立,可通过脚本方式进行初步验证,验证结果建立原始问题集,对问题现象进行分类以及分布分析。

Ø 数据及时性:根据流程检查相关数据生成是否及时;

Ø 数据准确性:检查检核表数据与目标特征值、值域以及数据异常值是否符合业务逻辑;

Ø 数据完整性:检查数据是否存在缺失、空格等现象;

Ø 数据唯一性:检核表数据是否符合业务组合项的唯一性;

Ø 数据一致性:检核表数据在引用和参考时是否保持一致;

Ø 数据规范性:检核表数据是否符合格式规定。

2)数据质量原因总结

原因通常分为标准问题、流程问题、技术问题、人员问题。

Ø 标准问题:缺乏标准、标准不统一、标准不完善;

Ø 流程问题:流程缺失、流程不完善;

Ø 技术问题:系统功能缺乏校验、系统校验逻辑有误、缺省值设置不合理、数据库表结构设计问题、历史遗留问题;

Ø 人员问题:操作不规范、信息未采集。

3)提出数据质量改进措施

形成数据质量治理解决方案及改进措施,并在处理及验证后进行反馈。其治理方案包括补录缺失数据、修正错误数据、改造现有业务系统、完善数据标准、规范数据录入人员操作、完善业务流程、建立数据质量管理流程、建立数据质量管理团队、建立数据质量管控平台等。

5、建立数据质量认责机制

各相关职能部门(如标准管理部门、数据主责部门、数据使用部门、IT部门、数据治理办公室)建立职责清晰的数据质量认责,认责领域包括数据需求管理、数据标准管理、数据质量管理、元数据管理等方面,并配套相关制度及流程,有助于从源头上实施数据全生命周期的质量管控,确保数据满足监管和内部经营、决策管理对其“准确真实性、完整性、及时性、适应性”等质量要求。

6、流程改造

从租前、租中、租后的主流程进行数据问题梳理,并明确到具体

哪个流程、哪个模块,并进行流程问题的分类,是否存在流程不规范、流程断点的问题,描述流程具体问题后提出建议系统的改造方案。

7、系统改造

包含源系统改造、数据平台落标(或有)、系统接口调整或者其

他系统、历史数据治理。

1)源系统改造

Ø 业务系统:按基础数据项的数据标准落地改造方案要求进行系统功能改造,控制新数据录入的质量与准确性;按流程改造的要求进行系统功能或流程调整;

Ø 财务系统:根据会计凭证引擎,根据未实现财务凭证自动制证的场景,实现自动制证;

Ø 融资系统:按基础数据项的数据标准落地改造方案要求进行系统功能改造;

Ø 其他系统。

2)数据平台落标(或有)

数据仓库或数据集市调整、源系统数据与数据平台做好、接口映射,保证传输到数据平台的数据为标准化后的数据、若建立报表平台,则按指标类数据标准进行报表平台的指标的自动取数。

3)系统间接口改造

业务系统与财务系统接口调整、财务系统与融资系统接口调整、融资系统与业务系统接口调整等。

4)历史数据治理

根据数据质量治理解决方案,对源系统进行历史数据治理。

8、建立管控机制

1)制度流程管控

Ø 管理制度:建立数据治理制度、元数据管理制度、数据标准管理制度、数据质量管理制度等;

Ø 管理流程:建立数据标准变更流程、数据质量检核流程、数据质量整改优化流程等。

2)搭建数据管控平台

Ø 元数据管理模块:元数据是关于数据的数据,即对数据的描述,用于总览分析元数据之间的关系和互相之间的影响。通过模块对元数据进行动态采集和管理,对多变、动态的数据进行管理;

Ø 数据标准管理模块:通过标准生命周期管理能看到当前标准从创建、发布、修订、废止全生命周期;

Ø 数据质量管理模块:用于对质量规则的配置和根据规则进行数据的校验,通过规则配置,任务配置,检测记录等操作,能够评估数据质量,产生问题数据及质量报告。帮助用户快速定位问题、处理问题、提升数据质量。

3)数据治理成效评估

定期度量、形成报告。面向数据治理委员会和高级管理人员形成数据治理工作的良性循环,可每1个月,形成月度治理跟踪汇报,每1个季度,每1年,形成季报、年报。

示例报告内容框架:

Ø 本阶段工作内容,各小组工作、文档编制、沟通;

Ø 工作成效,比如质量问题发现和整改情况,元数据获取情况,数据标准编制进度,形成的管理流程规范等;

Ø 下一步工作重点。

八、结语

构建融资租赁公司数据治理体系,组织为首要保障,数据治理同信息系统建设同样是一把手工程,需公司高层牵头推动。重视理论的指导,选择适合融资租赁公司现状的数据治理方法,设计好实施落地方案,并建立数据认责机制,才能有效促进数据治理体系的落地。做好数据治理是融资租赁公司实现数字化的基础,同时数字化专业人才是实现数字化的底座,培养懂租赁业务、数据、技术的复合型人才,可将数字化与业务发展需要相融合,真正实现数字化对企业的价值创造。

参考文献

[1]《DAMA数据管理知识体系指南(原书第2版)》[J].机械工业出版社.2020.

[2] 华为公司数据管理部.《华为数据之道》[J].机械工业出版社.2020.

[3] 段效亮.《企业数据治理那些事》[J].机械工业出版社.2020.

[4] GB/T 36073—2018,数据管理能力成熟度评估模型[S].2018.